通过联合建模不同频率下的局部时序与跨变量依赖来提高日间电网碳强度预测

准确预测电网碳强度因子（CIF）对于实现需求侧管理和降低现代电力系统排放至关重要。利用多个相互关联的时间序列，CIF 预测通常被形式化为多变量时间序列预测问题。尽管深度学习方法取得了进展，但仍面临捕捉细粒度局部时序依赖、动态高阶跨变量依赖以及复杂多频率模式的挑战。为此，我们提出一种新型模型，集成两个平行模块：1）通过对不同长度的重叠块应用多个小波基卷积核来增强在多频率下的局部时序依赖提取；2）捕捉在多频率下的动态跨变量依赖，以建模跨时频域的变量间关系演变。评估来自澳大利亚四个典型电力市场的数据（具有不同的可再生能源渗透率），结果表明我们的方法优于最先进的模型。进一步的消融研究进一步验证了两个提议模块的互补优势。该模型具备内置可解释性，还通过案例研究表明，在突发事件期间，模型能够自适应地注意力转向相关变量和时间段，从而更好地理解其预测行为。